Drei entscheidende Data Science Trends für Machine Learning

Data Science hat sich rasant entwickelt und fördert jährlich eine schier endlose Anzahl neuer Anwendungen zutage. Bei aktuellen Use Cases liegt der Fokus darauf, den Data-Science-Prozess zu vereinfachen, indem etwa unsaubere oder fehlende Daten, die die Modellierung verlangsamen, beseitigt werden. Drei Trends sind in puncto Machine Learning (ML) besonders revolutionär.

1. Verbesserung der Datenqualität durch Ausreißererkennung

Innovationen wie das Internet of Things (IoT) und unstrukturierte Daten produzieren exponentiell mehr Daten, mit denen Unternehmen unerwartete Einblicke aus neuen und granulareren Quellen gewinnen können. Diese zunehmende Anzahl an Datenquellen birgt ein höheres Risiko, ML-Modelle zu produzieren, die unreine Daten nutzen und deswegen ungenaue Vorhersagen treffen. Die Risiken durch schlechte Daten gehen weit über ungenaue Forecasts hinaus – IBM schätzt, dass allein schlechte Daten die US-Wirtschaft jedes Jahr etwa 3,1 Billionen Dollar kosten.  

Glücklicherweise kann Machine Learning bei der Ausreißererkennung unterstützen. Dabei wird ein Algorithmus genutzt, um Muster zu identifizieren, die sich extrem vom Rest der Daten unterscheiden. So können Data Scientists feststellen, ob diese extremen Beobachtungen wahre Werte sind oder irrtümlich aufgenommen wurden. Wird die Ausreißererkennung vor Erstellung der Prognose in einem Datensatz implementiert, kann dies Zeit und Geld sparen und dazu beitragen, dass die Modelldaten frei von unsauberen Daten sind. Da immer mehr Objekte “smart” werden und die Anzahl der Datenquellen immer weiter wächst, ist zu erwarten, dass Unternehmen sich die Ausreißererkennung künftig häufiger zunutze machen.

Machine Learning kann bei der Ausreißererkennung unterstützen.

3. Automatisiertes Machine Learning mit KI    

Data Scientists und ihre Fähigkeiten sind ein rares Gut – und die Datenmodellierung ist ein zeitintensiver Prozess mit Datenbereinigung, Modellauswahl, viel Training und einigen Tests. All dies führt zu Verzögerungen bei der Implementierung von ML-Modellen. Um diese Herausforderung zu meistern, wird KI sowohl zur Erstellung als auch zur Abstimmung von Modellen verwendet. Dies beschleunigt nicht nur die Modellierung, sondern ermöglicht auch Analysten ohne Programmierkenntnisse, ihre eigenen Modelle zu erstellen.

Bereits im Jahr 2017 hat Google Cloud AutoML veröffentlicht. Es handelt sich dabei um eine cloudbasierte Sammlung von ML-Produkten, die den Aufbau von ML-Modellen automatisiert – inklusive zusätzlicher Module für NLP und Bilderkennung. Unternehmen werden aller Voraussicht nach damit beginnen, diese Produkte in ihre Modellsuiten zu integrieren – und andere Anbieter werden ähnliche Pakete auf den Markt bringen.  
Es ist somit eine spannende Zeit für Unternehmen, die die Möglichkeiten von Machine Leaning und Künstlicher Intelligenz für Innovation und Skalierung nutzen.

KI unterstützt die sonst zeitintensive Erstellung von ML-Modellen.

MicroWorld 2021

Treffen Sie den Autor dieses Beitrags auf dem kostenfreien MicroWorld für Kunden, Partner und Interessenten am MIttwoch, den 15. September 2021.

Erleben Sie spannende Sesssions & Workshops, Erfolgsgeschichten von MicroStrategy-Kunden, unsere Partnerausstellung und vieles mehr!

JETZT ANMELDEN

Beitrag MicroStrategy HyperIntelligence (PDF)

MicroStrategy Hyperintelligence

MicroStrategy 2019 Infoflyer (PDF)